【机器学习实战高阶】基于深度学习车牌识别 自动识别车牌号码 Automatic License Number Plate Detection and Recognition

深度学习项目 - 自动车牌识别

本项目旨在识别车牌号码。为了检测车牌号码，我们将使用 OpenCV 识别车牌，并利用 Python 的 pytesseract 从车牌中提取字符和数字信息。

自动车牌识别

OpenCV 是一个开源的机器学习库，为计算机视觉提供了通用的基础设施。而 Pytesseract 是一个 Tesseract-OCR 引擎，用于读取图像类型并提取图像中的信息。

安装 OpenCV 和 Pytesseract pip3 Python 包：

pip3 install opencv-python  # 安装 OpenCV 库
pip3 install pytesseract  # 安装 Pytesseract 库

在本 Python 项目中，为了在输入图像中识别车牌，我们将使用 OpenCV 的以下功能：

1. 高斯模糊（Gaussian Blur）：我们使用高斯核来平滑图像。这一技术非常有效，能够去除高斯噪声。OpenCV 提供了 cv2.GaussianBlur() 函数来完成此任务。
2. Sobel 梯度：我们计算图像的导数。这一功能在许多计算机视觉任务中非常重要。通过导数计算梯度，梯度的大幅变化表示图像中的主要变化。OpenCV 提供了 cv2.Sobel() 函数来计算 Sobel 操作符。
3. 形态学变换（Morphological Transformation）：这些操作基于图像形状，通常在二值图像上执行。基本的形态学操作包括腐蚀（Erosion）、膨胀（Dilation）、开运算（Opening）和闭运算（Closing）。OpenCV 提供了以下函数：
   • cv2.erode()：腐蚀操作。
   • cv2.dilate()：膨胀操作。
   • cv2.morphologyEx()：执行开运算和闭运算等复杂形态学操作。
4. 轮廓（Contours）：轮廓是包含所有连续相同强度点的曲线。它们是对象识别中非常有用的工具。OpenCV 提供了 cv2.findContours() 函数来实现这一功能。

下载项目源代码

在继续之前，请下载源代码：
链接: 基于深度学习车牌识别 自动识别车牌号码

现在，让我们深入到车牌识别代码中。请按照以下步骤操作：

1. 导入库：

   该项目需要 numpy 和 pillow Python 库，以及 OpenCV 和 pytesseract。

   import numpy as np  # 导入 numpy 库
   import cv2  # 导入 OpenCV 库
   from PIL import Image  # 导入 PIL 库
   import pytesseract as tess  # 导入 pytesseract 库
   

2. 定义辅助函数：

   现在我们将定义三个函数，用于过滤掉 OpenCV 可能识别到但不太可能是车牌的轮廓。

2.1. 检查面积范围和宽高比：

该函数用于检查轮廓的面积范围和宽高比。如果面积或宽高比不符合要求，则返回 False。

def ratioCheck(area, width, height):  # 定义检查面积和宽高比的函数
    ratio = float(width) / float(height)  # 计算宽高比
    if ratio < 1:
        ratio = 1 / ratio  # 如果宽小于高，则取倒数
    if (area < 1063.62 or area > 73862.5) or (ratio < 3 or ratio > 6):  # 检查面积和宽高比
        return False  # 如果不符合要求，返回 False
    return True  # 如果符合要求，返回 True

2.2. 检查图像矩阵的平均值：

该函数用于检查车牌图像的平均像素值。如果平均值大于等于 115，则认为图像足够亮，返回 True；否则返回 False。

def isMaxWhite(plate):  # 定义检查图像矩阵平均值的函数
    avg = np.mean(plate)  # 计算图像的平均像素值
    if(avg>=115):  # 如果平均值大于等于 115
        return True  # 返回 True
    else:
        return False  # 否则返回 False

2.3. 检查轮廓的旋转角度：

该函数用于检查轮廓的旋转角度。如果旋转角度大于 15 度或宽高为 0，则返回 False。否则，检查轮廓的面积和宽高比，如果符合要求则返回 True。

def ratio_and_rotation(rect):  # 定义检查轮廓旋转角度的函数
    (x, y), (width, height), rect_angle = rect  # 获取轮廓的中心点、宽高和旋转角度
    if(width>height):  # 如果宽度大于高度
        angle = -rect_angle  # 旋转角度取反
    else:
        angle = 90 + rect_angle  # 否则旋转角度加 90 度
    if angle>15:  # 如果旋转角度大于 15 度
        return False  # 返回 False
    if height == 0 or width == 0:  # 如果高度或宽度为 0
        return False  # 返回 False
    area = height * width  # 计算轮廓面积
    if not ratioCheck(area, width, height):  # 检查面积和宽高比
        return False  # 如果不符合要求，返回 False
    else:
        return True  # 如果符合要求，返回 True

3. 清洗识别到的车牌图像：

   该函数用于清洗识别到的车牌图像，以便在使用 pytesseract 之前进行预处理。首先将图像转换为灰度图像，然后进行二值化处理，找到轮廓并返回清理后的图像和轮廓信息。

   def clean2_plate(plate):  # 定义清洗车牌图像的函数
       gray_img = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY)  # 将图像转换为灰度图像
       _, thresh = cv2.threshold(gray_img, 110, 255, cv2.THRESH_BINARY)  # 进行二值化处理
       if cv2.waitKey(0) & 0xff == ord('q'):  # 按下 'q' 键退出
           pass
       num_contours, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)  # 找到轮廓
       if num_contours:
           contour_area = [cv2.contourArea(c) for c in num_contours]  # 计算每个轮廓的面积
           max_cntr_index = np.argmax(contour_area)  # 找到面积最大的轮廓
           max_cnt = num_contours[max_cntr_index]  # 获取面积最大的轮廓
           max_cntArea = contour_area[max_cntr_index]  # 获取最大轮廓的面积
           x, y, w, h = cv2.boundingRect(max_cnt)  # 获取最大轮廓的边界矩形
           if not ratioCheck(max_cntArea, w, h):  # 检查边界矩形的面积和宽高比
               return plate, None  # 如果不符合要求，返回原图像和 None
           final_img = thresh[y:y+h, x:x+w]  # 提取边界矩形中的图像
           return final_img, [x, y, w, h]  # 返回清洗后的图像和轮廓信息
       else:
           return plate, None  # 如果没有找到轮廓，返回原图像和 None
   

4. 主处理步骤：

   在这一步中，我们将读取输入图像，进行高斯模糊、Sobel 梯度和形态学操作。然后在图像中找到轮廓，并遍历每个轮廓来识别车牌。最后，清洗图像轮廓并将其输入到 pytesseract 中以识别数字和字符。

   img = cv2.imread("testData/sample15.jpg")  # 读取输入图像
   print("Number  input image...")  # 打印输入图像信息
   cv2.imshow("input", img)  # 显示输入图像
   if cv2.waitKey(0) & 0xff == ord('q'):  # 按下 'q' 键退出
       pass
   img2 = cv2.GaussianBlur(img, (3, 3), 0)  # 应用高斯模糊
   img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
   img2 = cv2.Sobel(img2, cv2.CV_8U, 1, 0, ksize=3)  # 计算 Sobel 梯度
   _, img2 = cv2.threshold(img2, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)  # 进行二值化处理
   element = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(17, 3))  # 获取结构元素
   morph_img_threshold = img2.copy()  # 复制二值图像
   cv2.morphologyEx(src=img2, op=cv2.MORPH_CLOSE, kernel=element, dst=morph_img_threshold)  # 进行闭运算
   num_contours, hierarchy = cv2.findContours(morph_img_threshold, mode=cv2.RETR_EXTERNAL, method=cv2.CHAIN_APPROX_NONE)  # 找到轮廓
   cv2.drawContours(img2, num_contours, -1, (0, 255, 0), 1)  # 绘制轮廓
   for i, cnt in enumerate(num_contours):  # 遍历每个轮廓
       min_rect = cv2.minAreaRect(cnt)  # 获取最小外接矩形
       if ratio_and_rotation(min_rect):  # 检查轮廓的宽高比和旋转角度
           x, y, w, h = cv2.boundingRect(cnt)  # 获取轮廓的边界矩形
           plate_img = img[y:y+h, x:x+w]  # 提取车牌图像
           print("Number  identified number plate...")  # 打印识别到的车牌信息
           cv2.imshow("num plate image", plate_img)  # 显示车牌图像
           if cv2.waitKey(0) & 0xff == ord('q'):  # 按下 'q' 键退出
               pass
           if(isMaxWhite(plate_img)):  # 检查车牌图像的平均像素值
               clean_plate, rect = clean2_plate(plate_img)  # 清洗车牌图像
               if rect:
                   fg = 0
                   x1, y1, w1, h1 = rect  # 获取清洗后的轮廓信息
                   x, y, w, h = x + x1, y + y1, w1, h1  # 更新边界矩形
                   # cv2.imwrite("clena.png", clean_plate)  # 保存清洗后的图像
                   plate_im = Image.fromarray(clean_plate)  # 将清洗后的图像转换为 PIL 图像
                   text = tess.image_to_string(plate_im, lang='eng')  # 使用 pytesseract 识别图像中的文本
                   print("Number  Detected Plate Text : ", text)  # 打印识别到的车牌文本
   

项目 GUI 代码

创建一个新文件 gui.py 并粘贴以下代码：

import tkinter as tk
from tkinter import filedialog
from tkinter import *
from PIL import ImageTk, Image
from tkinter import PhotoImage
import numpy as np
import cv2
import pytesseract as tess

代码总结：
这部分代码导入了项目所需的库。tkinter 用于创建 GUI 界面，filedialog 用于文件选择对话框，PIL 用于图像处理，numpy 用于数值计算，cv2 用于图像处理和计算机视觉任务，pytesseract 用于 OCR 识别。

def clean2_plate(plate):
    gray_img = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY)  # 将输入图像转换为灰度图像
    _, thresh = cv2.threshold(gray_img, 110, 255, cv2.THRESH_BINARY)  # 对灰度图像进行二值化处理
    num_contours, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)  # 检测图像中的轮廓
    if num_contours:
        contour_area = [cv2.contourArea(c) for c in num_contours]  # 计算每个轮廓的面积
        max_cntr_index = np.argmax(contour_area)  # 找到面积最大的轮廓索引
        max_cnt = num_contours[max_cntr_index]  # 获取面积最大的轮廓
        max_cntArea = contour_area[max_cntr_index]  # 获取面积最大的轮廓的面积
        x, y, w, h = cv2.boundingRect(max_cnt)  # 计算最大轮廓的边界矩形
        if not ratioCheck(max_cntArea, w, h):  # 检查边界矩形的宽高比是否符合要求
            return plate, None  # 如果不符合要求，返回原图像和 None
        final_img = thresh[y:y+h, x:x+w]  # 裁剪出最大轮廓的区域
        return final_img, [x, y, w, h]  # 返回处理后的图像和边界矩形
    else:
        return plate, None  # 如果没有检测到轮廓，返回原图像和 None

代码总结：
clean2_plate 函数用于清理和提取车牌图像。它首先将输入图像转换为灰度图像，然后进行二值化处理。接下来，检测图像中的轮廓，并找到面积最大的轮廓。计算该轮廓的边界矩形，并检查其宽高比是否符合要求。如果符合要求，返回裁剪后的图像和边界矩形；否则返回原图像和 None。

def ratioCheck(area, width, height):
    ratio = float(width) / float(height)  # 计算宽高比
    if ratio < 1:
        ratio = 1 / ratio  # 如果宽高比小于 1，取其倒数
    if (area < 1063.62 or area > 73862.5) or (ratio < 3 or ratio > 6):  # 检查面积和宽高比是否在合理范围内
        return False  # 如果不在合理范围内，返回 False
    return True  # 如果在合理范围内，返回 True

代码总结：
ratioCheck 函数用于检查给定区域的面积和宽高比是否符合车牌的合理范围。它首先计算宽高比，如果宽高比小于 1，取其倒数。然后检查面积是否在 1063.62 和 73862.5 之间，宽高比是否在 3 和 6 之间。如果符合要求，返回 True；否则返回 False。

def isMaxWhite(plate):
    avg = np.mean(plate)  # 计算图像的平均像素值
    if(avg >= 115):
        return True  # 如果平均像素值大于等于 115，返回 True
    else:
        return False  # 否则返回 False

代码总结：
isMaxWhite 函数用于检查车牌图像是否主要为白色。它计算图像的平均像素值，如果平均像素值大于等于 115，认为图像主要为白色，返回 True；否则返回 False。

def ratio_and_rotation(rect):
    (x, y), (width, height), rect_angle = rect  # 解析矩形的中心点、宽度、高度和旋转角度
    if width > height:
        angle = -rect_angle  # 如果宽度大于高度，旋转角度为负
    else:
        angle = 90 + rect_angle  # 否则，旋转角度为 90 度加上矩形的旋转角度
    if angle > 15:
        return False  # 如果旋转角度大于 15 度，返回 False
    if height == 0 or width == 0:
        return False  # 如果高度或宽度为 0，返回 False
    area = height * width  # 计算矩形的面积
    if not ratioCheck(area, width, height):  # 检查矩形的宽高比是否符合要求
        return False  # 如果不符合要求，返回 False
    else:
        return True  # 如果符合要求，返回 True

代码总结：
ratio_and_rotation 函数用于检查矩形的宽高比和旋转角度是否符合要求。它首先解析矩形的中心点、宽度、高度和旋转角度，根据宽度和高度的关系调整旋转角度。然后检查旋转角度是否大于 15 度，高度或宽度是否为 0。最后，调用 ratioCheck 函数检查矩形的宽高比是否在合理范围内。如果所有条件都满足，返回 True；否则返回 False。

top = tk.Tk()
top.geometry('900x700')  # 设置窗口大小
top.title('Number Plate Recognition')  # 设置窗口标题
top.iconphoto(True, PhotoImage(file="/home/shivam/Dataflair/Keras Projects_CIFAR/GUI/logo.png"))  # 设置窗口图标
img = ImageTk.PhotoImage(Image.open("logo.png"))  # 打开并加载图标图像
top.configure(background='#CDCDCD')  # 设置窗口背景颜色
label = Label(top, background='#CDCDCD', font=('arial', 35, 'bold'))  # 创建一个标签，用于显示识别结果
sign_image = Label(top, bd=10)  # 创建一个标签，用于显示上传的图像
plate_image = Label(top, bd=10)  # 创建一个标签，用于显示识别出的车牌图像

代码总结：
这部分代码用于初始化主窗口并设置其属性。创建了一个 Tk 窗口，设置了窗口的大小、标题、图标、背景颜色等。同时还创建了三个标签，分别用于显示识别结果、上传的图像和识别出的车牌图像。

def classify(file_path):
    res_text = [0]  # 初始化识别结果文本
    res_img = [0]  # 初始化识别结果图像
    img = cv2.imread(file_path)  # 读取图像文件
    img2 = cv2.GaussianBlur(img, (3, 3), 0)  # 对图像进行高斯模糊处理
    img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 将图像转换为灰度图像
    img2 = cv2.Sobel(img2, cv2.CV_8U, 1, 0, ksize=3)  # 使用 Sobel 算子进行边缘检测
    _, img2 = cv2.threshold(img2, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)  # 对图像进行二值化处理
    element = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(17, 3))  # 获取一个矩形结构元素
    morph_img_threshold = img2.copy()  # 复制二值化图像
    cv2.morphologyEx(src=img2, op=cv2.MORPH_CLOSE, kernel=element, dst=morph_img_threshold)  # 进行形态学闭运算
    num_contours, hierarchy = cv2.findContours(morph_img_threshold, mode=cv2.RETR_EXTERNAL, method=cv2.CHAIN_APPROX_NONE)  # 检测图像中的轮廓
    cv2.drawContours(img2, num_contours, -1, (0, 255, 0), 1)  # 在图像上绘制轮廓
    for i, cnt in enumerate(num_contours):
        min_rect = cv2.minAreaRect(cnt)  # 获取最小面积矩形
        if ratio_and_rotation(min_rect):  # 检查矩形的宽高比和旋转角度是否符合要求
            x, y, w, h = cv2.boundingRect(cnt)  # 计算轮廓的边界矩形
            plate_img = img[y:y+h, x:x+w]  # 裁剪出边界矩形区域
            print("Number identified number plate...")  # 打印提示信息
            res_img[0] = plate_img  # 保存裁剪后的图像
            cv2.imwrite("result.png", plate_img)  # 将裁剪后的图像保存到文件
            if isMaxWhite(plate_img):  # 检查图像是否主要为白色
                clean_plate, rect = clean2_plate(plate_img)  # 清理车牌图像
                if rect:
                    fg = 0
                    x1, y1, w1, h1 = rect  # 解析边界矩形
                    x, y, w, h = x + x1, y + y1, w1, h1  # 调整边界矩形的位置
                    plate_im = Image.fromarray(clean_plate)  # 将清理后的图像转换为 PIL 图像
                    text = tess.image_to_string(plate_im, lang='eng')  # 使用 pytesseract 进行 OCR 识别
                    res_text[0] = text  # 保存识别结果
                    if text:
                        break  # 如果识别到文本，退出循环
    label.configure(foreground='#011638', text=res_text[0])  # 更新标签显示识别结果
    uploaded = Image.open("result.png")  # 打开保存的车牌图像
    im = ImageTk.PhotoImage(uploaded)  # 将图像转换为 PhotoImage
    plate_image.configure(image=im)  # 更新标签显示车牌图像
    plate_image.image = im  # 保留对图像的引用，避免被垃圾回收
    plate_image.pack()
    plate_image.place(x=560, y=320)  # 将标签放置在窗口中的指定位置

代码总结：
classify 函数用于处理上传的图像并识别车牌。首先读取图像文件，然后进行高斯模糊、灰度转换、Sobel 边缘检测和二值化处理。接下来获取一个矩形结构元素，并对二值化图像进行形态学闭运算。检测图像中的轮廓，并在图像上绘制这些轮廓。对于每个轮廓，获取最小面积矩形并检查其宽高比和旋转角度是否符合要求。如果符合要求，裁剪出轮廓区域并保存为 result.png。然后检查图像是否主要为白色，如果主要为白色，调用 clean2_plate 函数进行清理，并使用 pytesseract 进行 OCR 识别。最后，更新标签显示识别结果和车牌图像。

def show_classify_button(file_path):
    classify_b = Button(top, text="Classify Image", command=lambda: classify(file_path), padx=10, pady=5)  # 创建一个“识别图像”按钮
    classify_b.configure(background='#364156', foreground='white', font=('arial', 15, 'bold'))  # 设置按钮样式
    classify_b.place(x=490, y=550)  # 将按钮放置在窗口中的指定位置

代码总结：
show_classify_button 函数用于在窗口中显示“识别图像”按钮。该按钮的点击事件会调用 classify 函数处理传入的图像文件路径。

def upload_image():
    try:
        file_path = filedialog.askopenfilename()  # 打开文件选择对话框，获取用户选择的文件路径
        uploaded = Image.open(file_path)  # 打开用户选择的图像文件
        uploaded.thumbnail(((top.winfo_width()/2.25), (top.winfo_height()/2.25)))  # 将图像缩放到窗口大小的 1/2.25
        im = ImageTk.PhotoImage(uploaded)  # 将图像转换为 PhotoImage
        sign_image.configure(image=im)  # 更新标签显示上传的图像
        sign_image.image = im  # 保留对图像的引用，避免被垃圾回收
        label.configure(text='')  # 清空识别结果标签
        show_classify_button(file_path)  # 显示“识别图像”按钮
    except:
        pass  # 如果发生异常，捕获并忽略

代码总结：
upload_image 函数用于处理用户上传的图像。打开文件选择对话框，获取用户选择的图像文件路径，然后打开并缩放图像。将缩放后的图像转换为 PhotoImage 并更新 sign_image 标签显示该图像。同时清空识别结果标签，并显示“识别图像”按钮。

upload = Button(top, text="Upload an image", command=upload_image, padx=10, pady=5)  # 创建一个“上传图像”按钮
upload.configure(background='#364156', foreground='white', font=('arial', 15, 'bold'))  # 设置按钮样式
upload.pack()  # 将按钮添加到窗口布局
upload.place(x=210, y=550)  # 将按钮放置在窗口中的指定位置

sign_image.pack()  # 将上传图像标签添加到窗口布局
sign_image.place(x=70, y=200)  # 将上传图像标签放置在窗口中的指定位置

label.pack()  # 将识别结果标签添加到窗口布局
label.place(x=500, y=220)  # 将识别结果标签放置在窗口中的指定位置

heading = Label(top, image=img)  # 创建一个标题标签，显示项目图标
heading.configure(background='#CDCDCD', foreground='#364156')  # 设置标题标签样式
heading.pack()  # 将标题标签添加到窗口布局

top.mainloop()  # 进入主事件循环，保持窗口运行

代码总结：
这部分代码用于创建和配置主窗口中的按钮和标签。创建了一个“上传图像”按钮，并设置其点击事件为 upload_image 函数。将上传图像标签、识别结果标签和标题标签添加到窗口布局，并设置它们的位置。最后，进入主事件循环，保持窗口运行。

参考资料

参考资料名称	链接
Tkinter 官方文档	https://docs.python.org/3/library/tkinter.html
OpenCV 官方文档	https://docs.opencv.org/master/
PIL 官方文档	https://pillow.readthedocs.io/en/stable/
NumPy 官方文档	https://numpy.org/doc/stable/
PyTesseract 官方文档	https://pypi.org/project/pytesseract/
License Plate Recognition 研究综述	https://www.researchgate.net/publication/332855701_A_Survey_on_License_Plate_Recognition_Systems
OpenCV 形态学操作教程	https://opencv-python-tutroials.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_morphological_ops/py_morphological_ops.html
OpenCV 轮廓检测教程	https://opencv-python-tutroials.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_contours/py_contours_begin/py_contours_begin.html
Sobel 边缘检测原理	https://homepages.inf.ed.ac.uk/rbf/HIPR2/sobel.htm
Gaussian Blur 高斯模糊原理	https://towardsdatascience.com/image-processing-with-python-and-opencv-part-2-gaussian-blurring-and-sharpening-bf4cb49228e6
OCR 技术综述	https://www.sciencedirect.com/science/article/pii/S1877050915006783
Tesseract OCR 使用教程	https://www.geeksforgeeks.org/python-ocr-on-pdf-using-pytesseract/
OpenCV 二值化处理教程	https://learnopencv.com/otsu-thresholding-explained/
Tkinter GUI 设计教程	[https://realpython.com/python-gui-tkinter/](https://realpython.com/python-g
OpenCV 官方文档	https://docs.opencv.org/4.x/
Tesseract-OCR 官方文档	https://tesseract-ocr.github.io/tessdoc/
Python 中的图像处理	https://www.geeksforgeeks.org/python-digit-and-character-recognition-for-captchas-using-opencv-tesseract-and-pytesseract/
车牌识别教程	https://www.jb51.net/article/192353.htm
OpenCV 形态学操作	https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_morphological_ops/py_morphological_ops.html
Sobel 梯度算子	https://www.tutorialspoint.com/opencv/opencv_sobel_operator.htm
计算机视觉入门	https://cv-tricks.com/
高斯模糊详解	https://blog.csdn.net/xiaoxiao20180204/article/details/79643369
车牌识别研究综述	https://arxiv.org/abs/1903.02727
Pytesseract 使用教程	https://github.com/madmaze/pytesseract-tutorial
OpenCV 检测车牌的另一种方法	https://www.pyimagesearch.com/2015/09/07/blur-detection-with-opencv/
形态学变换的原理	https://www.mathworks.com/help/images/morphology-fundamentals-dilation-and-erosion.html
车牌检测与识别	https://www.sciencedirect.com/science/article/pii/S1877050920326946
计算机视觉中的轮廓检测	https://www.tutorialspoint.com/contour-detection-in-computer-vision-using-python
车牌字符识别方法	https://ieeexplore.ieee.org/document/8923706
数字和字符识别	https://www.analyticsvidhya.com/blog/2019/06/comprehensive-guide-digital-character-recognition-ocr-python/
车牌识别在实际应用中的挑战	https://www.researchgate.net/publication/335230929_Challenges_and_Solutions_for_License_Plate_Recognition_in_Real-World_Applications